Muse Glimmer 是 Meta 的 300 億引數因果語言模型，帶有專用感知編碼器，從 Muse Spark 中提煉出來，並針對消費者和工作站硬體上的自主代理工作負載而釋出。分發方式 Ollama 在下面 Apache 2.0，它的目標是可靠的工具使用、長期任務、多模式理解和故障恢復——無需雲推理。此 Workstation 技術簡介重寫並擴充套件了面向當地代理商的工程師的公共模型卡。
- 班級： 30B因果LM+感知編碼器；從 Muse Spark 中蒸餾而來；願景+工具+思維。
- 服務：
ollama run muse-glimmer（~18GB，128K，文字+影象）； Apple Silicon：muse-glimmer:30b-mlx（~21GB、DFlash）。 - 合身： 一臺 GPU 或 Mac Silicon 上始終線上的本地/氣隙代理 — 而不是多 TB MoE 叢集模型。
- 訊號強度： Meta 在 MCP-Atlas、DeepSearch QA、WildClawBench、SWE-Bench Pro、AA-LCR、Beam128K（高推理）上報告的尺寸類別矩陣領先。
- 行動： 腳手架過孔
ollama launch（Claude Code、OpenCode、愛馬仕、OpenClaw）；透過 evals、HITL、MCP auth 進行管理。
主要來源： Ollama 庫 — muse-glimmer;元評估方法—— Muse Glimmer方法論。數字和標籤發生變化；採購前驗證真人模特卡。
1. 架構和設計意圖
Muse Glimmer並不定位為一般的聊天教育部。 Meta的框架是 端到端代理任務完成 您可以購買用於辦公桌或小型實驗室機架的硬體：
- 因果 LM 主幹 (30B) - 具有跨長工作流程的多步驟推理鏈的下一代代幣生成。
- 專用感知編碼器 - 接受交錯的文字和影象，以便代理可以在與工具記錄相同的上下文視窗中對螢幕截圖、圖表和文件進行推理。
- 從 Muse Spark 中蒸餾 - 將功能轉移到針對單個 GPU/消費者級部署而不是僅資料中心服務的足跡中。
- 故障恢復行為 - 當工具呼叫失敗或返回意外的有效負載時，模型將被訓練/調整以診斷和重試，而不是停止事件。
- 可控的努力 - 推理強度是可選的，因此運營商可以用延遲換取每條路由的質量。
- 多語言培訓覆蓋範圍 — Meta 陳述來自 100 多種語言的訓練資料。
對於 Workstation 堆疊，產品含義是：將 Glimmer 視為 代理執行時大腦 MCP 工具、shell、瀏覽器和檔案編輯器的背後 — 不是作為每個封閉邊界 API 呼叫的直接替代品。
2. Ollama 分佈（標籤、封裝、I/O）
正如 Ollama 圖書卡上公佈的那樣（驗證實際尺寸）：
| 標籤 | 大約。尺寸 | 語境 | 輸入 | 筆記 |
|---|---|---|---|---|
muse-glimmer:latest / :30b | ~18GB | 128K | 文字、影象 | 預設單 GPU 路徑 |
muse-glimmer:30b-mlx | ~21GB | 128K | 文字、影象 | Ollama MLX發動機； DFlash + Apple Silicon 上的影象 |
# Pull + interactive
ollama run muse-glimmer
# Apple Silicon (MLX)
ollama run muse-glimmer:30b-mlx
# HTTP chat (localhost Ollama)
curl http://localhost:11434/api/chat \
-d '{"model":"muse-glimmer","messages":[{"role":"user","content":"Hello!"}]}'
# Scaffold launchers (from Ollama applications list)
ollama launch claude --model muse-glimmer
ollama launch opencode --model muse-glimmer
ollama launch hermes --model muse-glimmer
ollama launch openclaw --model muse-glimmer
Python / JS 客戶端應固定您驗證的標籤（muse-glimmer 與 :30b-mlx）在配置中，而不是硬編碼 latest 在生產代理中。
3.能力面（工程讀）
- 端到端代理完成 — Meta 引用了 DeepSearch QA、MCP-Atlas、τ3-Bench（銀行）和 SWE-Bench 系列任務的強大結果，這些任務衡量了支架式多輪成功，而不是單次瑣事。
- 可靠的工具使用 - 跨擴充套件工作流程的廣泛函式呼叫覆蓋範圍和模式精度（對於 MCP 工具組至關重要）。
- 多步推理 ——長遠規劃的一致性；與 128K 上下文視窗配對，用於轉錄 + 文件保留。
- 故障恢復 — 診斷意外的工具結果並重試；減少“脆性代理”在夜間工作中的中止。
- 多模態推理 — 感知編碼器支援螢幕截圖/圖表/文件與文字交錯（GUI 基礎和文件解析平臺包含在 Meta 的矩陣中）。
- 腳手架相容性 — OpenClaw、Hermes Agent 和類似的編排模式； Ollama 將 Claude Code 和 OpenCode 啟動器列為一流應用程式。
4. 基準矩陣（元報告，高推理）
Meta將Muse Glimmer-30B（高推理）與Gemma4-31B和Qwen3.6-27B在思維模式上進行了比較。 Workstation 閱讀標題：Glimmer 領先數位 代理的 公共套件（MCP-Atlas、DeepSearch QA、WildClawBench、Gaia2、SWE-Bench Pro），同時在某些桌面代理和 GDP 驗證指標上落後或追平同行。始終重新執行 你的 馬具。
| 類別 | 基準 | 微光-30B | 傑瑪4-31B | Qwen3.6-27B |
|---|---|---|---|---|
| 總代理 | MCP-Atlas（公共） | 75.5 | 54.2 | 62.5 |
| 深度搜尋質量檢查 | 74.6 | 61.7 | 71.1 | |
| τ3-銀行業務 | 23.5 | 15.1 | 16.7 | |
| 野爪凳 | 47.6 | 37.6 | 43.2 | |
| GDPVal-AA v2 | 953 | 811 | 1141 | |
| 蓋亞2 | 43.3 | 36.4 | 40.0 | |
| SkillsBench（帶技能） | 44.3 | 32.4 | 46.6 | |
| OSWorld 驗證 | 65.9 | 58.5 | 75.6 | |
| 代理編碼 | SWE-Bench專業版 | 51.2 | 36.9 | 50.2 |
| SWE-Bench 已驗證 | 76.0 | 66.6 | 77.2 | |
| 終端工作臺 2.1 | 51.7 | 43.4 | 60.7 | |
| 科學程式碼 | 43.6 | 43.4 | 39.8 | |
| 多式聯運 | CharXiv 推理 | 78.8 | 77.7 | 78.4 |
| 螢幕點專業版 | 75.4 | 75.9 | 76.1 | |
| OmniDocBench v1.5 | 75.8 | 72.5 | 77.8 | |
| MMMU專業版 | 74 | 73 | 75 | |
| 推理/LCR | IFBench | 77.0 | 76.0 | 70.8 |
| 2026年國際醫療器械展覽會 | 94.7 | 89.2 | 94.1 | |
| GPQA 鑽石 (AA) | 83.5 | 85.7 | 84.2 | |
| HLE 文字 (AA) | 22.0 | 23.6 | 23.1 | |
| AA-LCR | 80.0 | 68.3 | 73.3 | |
| 光束128K | 65.1 | 58.2 | 63.0 |
安全臺（CI Memories、Siren AgentDojo）顯示出權衡：Glimmer 報告在使用中包 ASR 的 AgentDojo 注入下具有高實用性；將安全性視為部署控制問題（提示防火牆、工具允許列表、HITL），而不是已解決的模型屬性。請參閱 Meta 的方法 PDF，瞭解判斷模型、嘗試計數和利用注意事項。
5. 評估方法（數字的含義）
在引用董事會中的任何單元格之前，Meta 的方法論註釋至關重要：
- 同行選擇： 尺寸級開放型號（Gemma4-31B、Qwen3.6-27B）；同行可以使用自我報告或內部複製的分數；當所有三個都可用時使用人工分析。
- 取樣： Glimmer 報告具有高推理強度，溫度=1.0 / top_p=0.95 / top_k=64；同行使用供應商推薦的思維配置（Qwen 在某些代理工作臺上使用較低的溫度）。
- 利用偏差警告： Meta 指出，第三方模型可能無法根據 Meta 的工具/系統提示進行調整——絕對排名可能會在同行原生支架下發生變化。
- MCP-Atlas： 跨 20 多個 MCP 伺服器使用多輪工具； LLM-判斷 500 個公共任務的透過率（閾值 0.75），4 次執行的平均值。
- 深度搜尋質量檢查： 900 個困難研究問題的自主瀏覽迴圈（搜尋/開啟/查詢）； F1 透過判斷提取。
- WildClawBench / Gaia2： OpenClaw 風格的工具下的長期 Docker 化代理任務，具有事件注入和混合確定性/LLM 分級。
- SWE-Bench： bash + 檔案工具腳手架；專業版和驗證版在多次執行中取平均值——專業版比較避免了 Qwen 的精細任務變體。
- OSWorld 驗證： 來自螢幕截圖的僅限 GUI 的 Ubuntu VM 控制（無直接 shell）；模型之間的動作空間差異很重要。
- 光束128K： 128K 的非代理長上下文記憶體探針 — 如果您在沒有 RAG 的情況下在上下文中儲存大型轉錄本，則相關。
Workstation 政策：釋出 Meta 的定位矩陣，然後在內部黃金集（您的 MCP 工具、您的儲存庫、延遲 SLO）上進行生產。
6. 硬體和服務現實
- 單個 GPU 類： ~18GB 重量足跡意味著現代 24GB+ 消費者/專業版一旦考慮 KV 快取和視覺啟用，GPU 就是實用的 NVIDIA 底板；包含您的最大上下文和併發會話的配置檔案。
- Apple Silicon： 更喜歡
:30b-mlx(~21GB) 用於 Ollama 的 MLX 路徑，具有 DFlash 推測解碼和本機影象輸入 — Mac Studio / Mac mini Max 配置是一流的 SME 節點。 - 非 Kimi-K3 級： 這不是多節點 MoE。如果您需要萬億引數開放代理，請參閱我們的 開放重量指南;格麗默擁有 桌面始終開啟 利基。
- 庫伯內特斯： 每個節點打包 Ollama 或相容 OpenAI 的 sidecar；將模型拉入您的私人登錄檔/快取中；不要將未繫結的 Ollama 暴露到網際網路上。
7. 永遠線上代理的安全和治理
本地權重減少了資料傳出，但增加了受感染代理主機的傳播半徑。最小 Workstation 基線：
- MCP OAuth 2.1 + 短期秘密（Vault 租賃）- 請參閱 代理安全文章.
- 每個代理身份的工具許可名單和網路出口策略。
- HITL 控制不可逆轉的操作（付款、產品部署、群發電子郵件）。
- 對工具返回的內容進行即時注入監控（Siren AgentDojo 式威脅模型）。
- 離線/氣隙模式作為一流的執行手冊進行了測試，但這並不是希望。
8. 生產檢查表
- 引腳 Ollama 標籤 (
30b與30b-mlx）並在 GitOps 中記錄摘要/雜湊。 - 構建 20-50 項任務的黃金套件，反映您的 MCP 工具和編碼工作流程；跟蹤每個工作級別的 pass@1 和 p95 延遲。
- 鋼絲腳手架（
ollama launch …或自定義），並結構化記錄工具呼叫和重試。 - 定義混合路由器：專用 RAG/代理的 Glimmer local；針對溢位/峰值 IQ 的雲故障轉移。
- 在視覺開啟的情況下記錄 32K / 64K / 128K 的 VRAM/統一記憶體空間。
- 法律：Apache 2.0 審查您的分發模型（通常是簡單的與限制性的開放重量許可證）。
- 在啟用無人值守的夜間代理之前，先傳送稽核機器人 + 評估門。
釋出者： Workstation。型號卡： ollama.com/library/muse-glimmer.
